Datalab

文档智能领域的最先进模型

---

Chandra OCR 2

Chandra OCR 2 是一款最先进的 OCR 模型，能够将图像和 PDF 转换为结构化的 HTML/Markdown/JSON 格式，同时保留布局信息。

新闻

• 3/2026 - Chandra 2 正式发布，对数学、表格、布局以及多语言 OCR 均有显著提升
• 10/2025 - Chandra 1 上线

特性

• 在外部 olmocr 基准测试中表现领先，并在内部多语言基准测试中取得重大突破
• 可将文档转换为 Markdown、HTML 或 JSON 格式，同时保留详细的布局信息
• 支持 90 多种语言（基准测试见下文）
• 手写体识别效果极佳
• 能够准确重建表单，包括复选框
• 在表格、数学及复杂布局的处理上表现出色
• 可提取图片和图表，并添加标题和结构化数据
• 提供两种推理模式：本地（HuggingFace）和远程（vLLM 服务器）

托管 API

• 我们在 这里 提供了 Chandra 的托管 API，其准确性和速度均更胜一筹。
• 如果您想在不安装的情况下试用 Chandra，可以访问 免费试用平台。

快速入门

最简单的使用方式是通过命令行工具：

pip install chandra-ocr

# 使用 vLLM（推荐，安装轻量）
chandra_vllm
chandra input.pdf ./output

# 使用 HuggingFace（需要 torch）
pip install chandra-ocr[hf]
chandra input.pdf ./output --method hf

# 交互式 Streamlit 应用
pip install chandra-ocr[app]
chandra_app

基准测试

多语言性能是我们开发 Chandra 2 的重点之一。由于目前缺乏公开的多语言 OCR 基准测试，我们自行设计了一套测试方案，涵盖表格、数学、顺序排列、布局和文本准确性等方面。

完整评分请参见 下方。我们还提供了一份包含 90 种语言的完整基准测试报告（FULL_BENCHMARKS.md）。

此外，我们也使用广受认可的 olmocr 基准测试对 Chandra 2 进行了评估：

完整评分请参见 下方。

示例

类型	名称	链接
数学	CS229 教材	查看
数学	手写数学	查看
数学	中文数学	查看
表格	统计分布	查看
表格	财务表格	查看
表单	注册表单	查看
表单	租赁合同	查看
手写	书法字体	查看
手写	手写笔记	查看
语言	阿拉伯语	查看
语言	日语	查看
语言	印地语	查看
语言	俄语	查看
其他	图表	查看
其他	化学	查看

安装

包管理器

# 基础安装（用于 vLLM 后端）
pip install chandra-ocr

# 使用 HuggingFace 后端（包含 torch 和 transformers）
pip install chandra-ocr[hf]

# 安装所有依赖
pip install chandra-ocr[all]

如果您选择使用 HuggingFace 方法，建议同时安装 flash attention，以获得更好的性能。

源码安装

git clone https://github.com/datalab-to/chandra.git
cd chandra
uv sync
source .venv/bin/activate

使用方法

命令行

可处理单个文件或整个目录：

# 单个文件，使用 vllm 服务器（启动方法见下文）
chandra input.pdf ./output --method vllm

# 使用本地模型处理目录中的所有文件
chandra ./documents ./output --method hf

命令行选项：

• --method [hf|vllm]: 推理方法（默认：vllm）
• --page-range TEXT: PDF 的页码范围（例如，“1-5,7,9-12”）
• --max-output-tokens INTEGER: 每页的最大输出标记数
• --max-workers INTEGER: vLLM 的并行工作进程数
• --include-images/--no-images: 是否提取并保存图片（默认：包含）
• --include-headers-footers/--no-headers-footers: 是否包含页眉和页脚（默认：不包含）
• --batch-size INTEGER: 每批处理的页数（默认：vLLM 为 28 页，HuggingFace 为 1 页）

输出结构：

每个处理过的文件都会生成一个子目录，其中包含：

• <filename>.md - Markdown 输出
• <filename>.html - HTML 输出
• <filename>_metadata.json - 元数据（页面信息、标记数等）
• 提取的图片会直接保存在输出目录中

Streamlit Web 应用

启动单页处理的交互式演示：

chandra_app

vLLM 服务器（可选）

对于生产部署或批量处理，可以使用 vLLM 服务器：

chandra_vllm

这将启动一个带有优化推理设置的 Docker 容器。可通过环境变量进行配置：

• VLLM_API_BASE：服务器 URL（默认值：http://localhost:8000/v1）
• VLLM_MODEL_NAME：服务器使用的模型名称（默认值：chandra）
• VLLM_GPUS：GPU 设备 ID（默认值：0）

您也可以使用 datalab-to/chandra-ocr-2 模型启动您自己的 vLLM 服务器。

配置

设置可以通过环境变量或 local.env 文件进行配置：

# 模型设置
MODEL_CHECKPOINT=datalab-to/chandra-ocr-2
MAX_OUTPUT_TOKENS=12384

# vLLM 设置
VLLM_API_BASE=http://localhost:8000/v1
VLLM_MODEL_NAME=chandra
VLLM_GPUS=0

商业用途

此代码采用 Apache 2.0 许可证，而我们的模型权重则使用修改后的 OpenRAIL-M 许可证（允许用于研究、个人用途以及融资/收入低于 200 万美元的初创企业，但不得与我们的 API 形成竞争关系）。如需移除 OpenRAIL 许可证的要求，或获取更广泛的商业许可，请访问我们的定价页面 这里。

基准测试表

模型	ArXiv	老扫描数学	表格	老扫描	页眉和页脚	多列文本	长篇小字	基础	总体	来源
Datalab API	90.4	90.2	90.7	54.6	91.6	83.7	92.3	99.9	86.7 ± 0.8	自建基准
Chandra 2	90.2	89.3	89.9	49.8	92.5	83.5	92.1	99.6	85.9 ± 0.8	自建基准
dots.ocr 1.5	85.9	85.5	90.7	48.2	94.0	85.3	81.6	99.7	83.9	dots.ocr 仓库
Chandra 1	82.2	80.3	88.0	50.4	90.8	81.2	92.3	99.9	83.1 ± 0.9	自建基准
olmOCR 2	83.0	82.3	84.9	47.7	96.1	83.7	81.9	99.6	82.4	olmocr 仓库
dots.ocr	82.1	64.2	88.3	40.9	94.1	82.4	81.2	99.5	79.1 ± 1.0	dots.ocr 仓库
olmOCR v0.3.0	78.6	79.9	72.9	43.9	95.1	77.3	81.2	98.9	78.5 ± 1.1	olmocr 仓库
Datalab Marker v1.10.0	83.8	69.7	74.8	32.3	86.6	79.4	85.7	99.6	76.5 ± 1.0	自建基准
Deepseek OCR	75.2	72.3	79.7	33.3	96.1	66.7	80.1	99.7	75.4 ± 1.0	自建基准
Mistral OCR API	77.2	67.5	60.6	29.3	93.6	71.3	77.1	99.4	72.0 ± 1.1	olmocr 仓库
GPT-4o（锚定版）	53.5	74.5	70.0	40.7	93.8	69.3	60.6	96.8	69.9 ± 1.1	olmocr 仓库
Qwen 3 VL 8B	70.2	75.1	45.6	37.5	89.1	62.1	43.0	94.3	64.6 ± 1.1	自建基准
Gemini Flash 2（锚定版）	54.5	56.1	72.1	34.2	64.7	61.5	71.5	95.6	63.8 ± 1.2	olmocr 仓库

多语言基准测试表

下表涵盖了 43 种最常见的语言，并在多个模型上进行了基准测试。如需对 90 种语言进行全面评估（仅比较 Chandra 2 和 Gemini 2.5 Flash），请参阅完整的 90 语言基准测试表。

语言	Datalab API	Chandra 2	Chandra 1	Gemini 2.5 Flash	GPT-5 Mini
ar	67.6%	68.4%	34.0%	84.4%	55.6%
bn	85.1%	72.8%	45.6%	55.3%	23.3%
ca	88.7%	85.1%	84.2%	88.0%	78.5%
cs	88.2%	85.3%	84.7%	79.1%	78.8%
da	90.1%	91.1%	88.4%	86.0%	87.7%
de	93.8%	94.8%	83.0%	88.3%	93.8%
el	89.9%	85.6%	85.5%	83.5%	82.4%
es	91.8%	89.3%	88.7%	86.8%	97.1%
fa	82.2%	75.1%	69.6%	61.8%	56.4%
fi	85.7%	83.4%	78.4%	86.0%	84.7%
fr	93.3%	93.7%	89.6%	86.1%	91.1%
gu	73.8%	70.8%	44.6%	47.6%	11.5%
he	76.4%	70.4%	38.9%	50.9%	22.3%
hi	80.5%	78.4%	70.2%	82.7%	41.0%
hr	93.4%	90.1%	85.9%	88.2%	81.3%
hu	88.1%	82.1%	82.5%	84.5%	84.8%
id	91.3%	91.6%	86.7%	88.3%	89.7%
it	94.4%	94.1%	89.1%	85.7%	91.6%
ja	87.3%	86.9%	85.4%	80.0%	76.1%
jv	87.5%	73.2%	85.1%	80.4%	69.6%
kn	70.0%	63.2%	20.6%	24.5%	10.1%
ko	89.1%	81.5%	82.3%	84.8%	78.4%
la	78.0%	73.8%	55.9%	70.5%	54.6%
ml	72.4%	64.3%	18.1%	23.8%	11.9%
mr	80.8%	75.0%	57.0%	69.7%	20.9%
nl	90.0%	88.6%	85.3%	87.5%	83.8%
no	89.2%	90.3%	85.5%	87.8%	87.4%
pl	93.8%	91.5%	83.9%	89.7%	90.4%
pt	97.0%	95.2%	84.3%	89.4%	90.8%
ro	86.2%	84.5%	82.1%	76.1%	77.3%
ru	88.8%	85.5%	88.7%	82.8%	72.2%
sa	57.5%	51.1%	33.6%	44.6%	12.5%
sr	95.3%	90.3%	82.3%	89.7%	83.0%
sv	91.9%	92.8%	82.1%	91.1%	92.1%
ta	82.9%	77.7%	50.8%	53.9%	8.1%
te	69.4%	58.6%	19.5%	33.3%	9.9%
th	71.6%	62.6%	47.0%	66.7%	53.8%
tr	88.9%	84.1%	68.1%	84.1%	78.2%
uk	93.1%	91.0%	88.5%	87.9%	81.9%
ur	54.1%	43.2%	28.1%	57.6%	16.9%
vi	85.0%	80.4%	81.6%	89.5%	83.6%
zh	87.8%	88.7%	88.3%	70.0%	70.4%
平均	80.4%	77.8%	69.4%	67.6%	60.5%

完整的 90 语言基准测试表

我们还有一份更全面的评估，涵盖 90 种语言，对比了 Chandra 2 和 Gemini 2.5 Flash。由于此次包含了大量资源较少的语言，平均得分比上述 43 语言表要低。Chandra 2 的平均得分为 72.7%，而 Gemini 2.5 Flash 为 60.8%。

请参阅完整的 90 语言结果。

吞吐量

在单个 NVIDIA H100 80GB GPU 上，使用 olmOCR 基准测试集中的多样化文档（数学公式、表格、扫描件、多栏布局等）对 vLLM 进行了基准测试。该测试集的速度明显低于实际应用场景——我们估计在实际使用中约为每秒 2 页。

配置	页/秒	平均延迟	P95 延迟	失败率
vLLM，96 个并发序列	1.44	60 秒	156 秒	0%

致谢

感谢以下开源项目：

• Huggingface Transformers
• VLLM
• olmocr
• Qwen 3.5

Chandra OCR 2 快速上手指南

Chandra OCR 2 是一款先进的文档智能模型，能够将图片和 PDF 转换为保留布局信息的结构化 HTML、Markdown 或 JSON。它支持 90+ 种语言，擅长处理数学公式、复杂表格及手写体。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：建议 Python 3.9 或更高版本
• 硬件要求：
  • vLLM 模式（推荐）：需要 NVIDIA GPU（显存建议 16GB+ 以获得最佳性能），需安装 Docker（可选，用于自动部署服务）。
  • HuggingFace 模式：需要 NVIDIA GPU 或高性能 CPU，需安装 torch。
• 前置依赖：确保已安装 pip 和 git。

注意：国内用户若遇到网络问题，建议在安装前配置 PyPI 镜像源（如清华源）：

export PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

根据您的需求选择以下一种安装方式：

方案 A：轻量级安装（推荐，使用 vLLM 后端）

此方式不包含庞大的深度学习框架，依赖外部 vLLM 服务进行推理，适合生产环境或批量处理。

pip install chandra-ocr

方案 B：本地模型安装（使用 HuggingFace 后端）

此方式将下载模型权重并在本地运行，需要安装 torch 和 transformers。

pip install chandra-ocr[hf]

提示：若使用 HF 模式，建议额外安装 flash-attention 以提升性能。

方案 C：完整安装（包含交互式 Web 应用）

如果您想体验图形化界面演示。

pip install chandra-ocr[all]

基本使用

1. 命令行工具 (CLI)

这是最常用的方式，可处理单个文件或整个目录。

启动 vLLM 服务（仅方案 A 需要）： 在终端运行以下命令启动本地推理服务器（首次运行会自动拉取模型）：

chandra_vllm

保持该终端窗口开启，新开一个终端窗口执行后续命令。

执行 OCR 转换：

• 使用 vLLM 模式（默认，速度快）：

  chandra input.pdf ./output --method vllm
  

• 使用 HuggingFace 本地模式：

  chandra input.pdf ./output --method hf
  

• 处理整个目录：

  chandra ./documents ./output --method hf
  

输出结果： 在 ./output 目录下，每个文件会生成对应的子文件夹，包含：

• .md (Markdown)
• .html (HTML)
• _metadata.json (元数据)
• 提取出的图片资源

2. 交互式 Web 应用

如果您安装了 [app] 扩展，可以启动图形界面进行单页测试：

chandra_app

启动后在浏览器访问显示的地址（通常为 http://localhost:8501）即可上传文件查看效果。

常用参数说明

参数	说明	示例
--method	推理引擎 (vllm 或 hf)	--method hf
--page-range	指定 PDF 页码范围	--page-range "1-5,7"
--no-images	不提取图片	--no-images
--batch-size	批处理大小	--batch-size 10